按住下方图标，点击小程序

免费领取AI学习资料、精选提示词

你们有没有遇到过这样的场景，开会录音两小时，回去整理纪要整理到怀疑人生？

或者采访素材堆成山，逐字逐句听写到深夜？别急，音频转录API可能就是你要找的那个救星。

而OpenAI刚刚又推出了两款新模型分别是GPT-Transcribe和GPT-Live-Transcribe，进一步提升语音转文字体验。

GPT-Transcribe是专门为处理已经录好的音频文件设计的，也就是我们常说的离线转录，特别适合那种批量的、不需要立刻出结果的任务，稳扎稳打准确率高。

GPT-Live-Transcribe则是为低延迟实时转录量身定做的，追求的就是一个快字，适合直播字幕或者实时会议记录这种场景。

这两款新模型比起前辈，进步可不是一点半点。它们对上下文的理解能力更强了，面对真实世界的各种口音、不同语言混杂的场景都能从容应对。

哪怕录音背景噪音很大，或者说话人嘴里蹦出专业术语、数字甚至很短的短语，都能识别得清清楚楚，这在以前可是很容易翻车的环节。

至于早期的whisper-1，现在更多是为了兼容老项目而保留的，新项目建议直接上这俩新秀。

说到音频文件格式，支持得挺全面的，mp3、mp4、mpeg、mpga、m4a、wav、webm都没问题。不过有个硬性限制，单文件不能超过25MB。

超过这个体积咋办？后面我会细说分片处理的技巧。另外还有个小建议：音频采样率最好设置在16kHz左右，单声道效果最佳。

别想着上传高码率无损大文件，既占带宽又容易超限，得不偿失。

现在来看看具体怎么调用。最简单的方式就是发一个请求，把音频文件扔过去，指定模型名称就完事了。

这里有个小窍门，如果提前知道音频是什么语言，把语言代码加上去，比如中文就传zh，英文就传en，识别准确率会明显提升。

还有个参数叫temperature，听起来挺专业的，其实就是个随机性调节器。设为0输出最稳定，录音质量差的时候可以适当调高一点。

输出格式这块设计得挺贴心的。默认返回JSON，只有纯文本内容，轻量简洁。

如果需要做字幕，可以选srt或vtt格式，时间轴直接嵌入，导入播放器就能用。

最强大的要数verbose_json了，连分段信息、每个句子的起止时间甚至每个单词的时间戳都能给你，二次开发首选这个。

提到时间戳，这个功能真的很实用。想象一下你在做视频字幕，需要精确知道某句话出现在几分几秒，开启详细输出模式就能拿到这些信息。

甚至可以细化到单词级别，对于做语音对齐、剪辑辅助的场景简直是福音。

再说说翻译功能。有时候手头有段法语采访或者日语播客，自己看不懂又找不到翻译，这时候可以调用翻译接口，不管原始音频是什么语言，出来的都是英文文本。

不过要注意，翻译模式不支持手动指定源语言，模型会自动判断。